序列推荐模型训练方法、媒资推荐方法及装置与流程

本申请实施例涉及序列推荐领域。更具体地讲，涉及一种序列推荐模型训练方法、媒资推荐方法及装置。

背景技术：

1、序列推荐(sequential recommendation)模型是推荐模型中一个很重要的领域，序列推荐模型为基于输入的用户的行为序列数据，预测用户的下一个行为。相比于用户静态数据(基于统计的用户特征，如近30天用户偏好)，由于行为序列数据包含了用户行为的时间信息，所以行为序列数据包含了用户真实的行为意图。序列推荐模型可以通过行为序列数据，动态捕捉用户的兴趣变化。如果行为序列数据足够长，则行为序列数据可以完全替代基于统计的用户特征。好的序列推荐模型需要尽可能根据行为序列数据学习用户真实的行为意图。

2、将行为序列数据参数化之后，深度模型能很好的学到行为序列数据中蕴含的兴趣变化，在业界取得了不错的运用。但是现实世界中的行为序列数据包含了大量的噪声信息，深度模型不具备过滤噪声信息的能力，相反的，深度模型会把噪声信息当成正常的序列元素进行学习，从而学习到一个包含噪声信息的推荐模型。

3、如此，在模型训练过程中如何处理行为序列数据中的噪声信息，得到不包含噪声信息的序列推荐模型是亟需解决的问题。

技术实现思路

1、为了解决上述技术问题或者至少部分地解决上述技术问题，本申请实施例提供了一种序列推荐模型训练方法、媒资推荐方法及装置，可以有效滤除行为序列数据中的噪声信息，提高序列推荐模型的预测准确性。

2、第一方面，本申请实施例提供了一种序列推荐模型训练方法，包括：

3、构建初始序列推荐模型，该初始序列推荐模型包括嵌入层模块、去噪处理模块和预测模块；该嵌入层模块用于获取输入的行为序列数据对应的序列矩阵表征，该行为序列数据包括一个用户历史连续播放的媒资序列，该去噪处理模块用于基于小波变换对该序列矩阵表征进行去噪处理，得到不包含噪声信息的序列向量表征，该预测模块用于确定每个待推荐媒资与该序列向量表征的相似度得分，该每个待推荐媒资包括与该行为序列数据对应的目标推荐媒资；

4、获取训练样本集，该训练样本集包括多个训练样本，每个训练样本包括该行为序列数据和该目标推荐媒资；

5、基于该训练样本集，对该初始序列推荐模型进行训练，得到训练好的目标序列推荐模型。

6、第二方面，本申请实施例提供了一种媒资推荐方法，包括：

7、获取用户的行为序列数据；

8、将该行为序列数据输入到目标序列推荐模型，以得到基于该行为序列数据为用户推荐的多个推荐媒资；

9、其中，该目标序列推荐模型通过如第一方面所述的序列推荐模型训练方法训练得到。

10、第三方面，本申请实施例提供了一种序列推荐模型训练装置，包括：构建模块、获取模块和训练模块；

11、该构建模块，用于构建初始序列推荐模型，该初始序列推荐模型包括嵌入层模块、去噪处理模块和预测模块；该嵌入层模块用于获取输入的行为序列数据对应的序列矩阵表征，该行为序列数据包括一个用户历史连续播放的媒资序列，该去噪处理模块用于基于小波变换对该序列矩阵表征进行去噪处理，得到不包含噪声信息的序列向量表征，该预测模块用于确定每个待推荐媒资与该序列向量表征的相似度得分，该每个待推荐媒资包括与该行为序列数据对应的目标推荐媒资；

12、该获取模块，用于获取训练样本集，该训练样本集包括多个训练样本，每个训练样本包括该行为序列数据和该目标推荐媒资；

13、该训练模块，用于基于该获取模块获取的该训练样本集，对该构建模块构建的该初始序列推荐模型进行训练，得到训练好的目标序列推荐模型。

14、第四方面，一种媒资推荐装置，包括：获取模块和推荐模块；

15、该获取模块，用于获取用户的行为序列数据；

16、该推荐模块，用于将该获取模块获取的该行为序列数据输入到目标序列推荐模型，以得到基于该行为序列数据为用户推荐的多个推荐媒资；

17、其中，该目标序列推荐模型通过如第一方面所述的序列推荐模型训练方法训练得到。

18、第五方面，本申请实施例提供了一种计算机可读存储介质，包括：计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如第一方面所示的序列推荐模型训练方法或如第二方面所示的媒资推荐方法。

19、第六方面，本申请实施例提供了一种计算机程序产品，包括：当计算机程序产品在计算机上运行时，使得计算机实现如第一方面所示的序列推荐模型训练方法或如第二方面所示的媒资推荐方法。

20、本申请实施例提供的技术方案与现有技术相比具有如下优点：本申请实施例中，通过构建初始序列推荐模型，该初始序列推荐模型包括嵌入层模块、去噪处理模块和预测模块；该嵌入层模块用于获取输入的行为序列数据对应的序列矩阵表征，该行为序列数据包括一个用户历史连续播放的媒资序列，该去噪处理模块用于基于小波变换对该序列矩阵表征进行去噪处理，得到不包含噪声信息的序列向量表征，该预测模块用于确定每个待推荐媒资与该序列向量表征的相似度得分，该每个待推荐媒资包括与该行为序列数据对应的目标推荐媒资；获取训练样本集，该训练样本集包括多个训练样本，每个训练样本包括该行为序列数据和该目标推荐媒资；基于该训练样本集，对该初始序列推荐模型进行训练，得到训练好的目标序列推荐模型。本方案中初始序列推荐模型包括去噪处理模块，去噪处理模块可以基于小波变换去除行为序列数据中的噪声信息，从而可以训练得到不包括噪声信息的目标序列推荐模型，进而可以有效滤除行为序列数据中的噪声信息，提高序列推荐模型的预测准确性。

技术特征：

1.一种序列推荐模型训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述去噪处理模块包括至少一个小波去噪模块，所述小波去噪模块包括：

3.根据权利要求2所述的方法，其特征在于，所述小波变换处理和所述逆小波变换处理的基函数为以下任一项：

4.根据权利要求1所述的方法，其特征在于，所述基于所述训练样本集，对所述初始序列推荐模型进行训练，得到训练好的目标序列推荐模型，包括：

5.根据权利要求1所述的方法，其特征在于，所述初始序列推荐模型还包括序列数据预处理模块；

6.根据权利要求1所述的方法，其特征在于，所述初始序列推荐模型还包括序列数据预处理模块；

7.根据权利要求1至6中任一项所述的方法，其特征在于，所述初始序列推荐模型还包括特征提取模块；

8.一种媒资推荐方法，其特征在于，包括：

9.一种序列推荐模型训练装置，其特征在于，包括：构建模块、获取模块和训练模块；

10.一种媒资推荐装置，其特征在于，包括：获取模块和推荐模块；

技术总结
本公开涉及一种序列推荐模型训练方法、媒资推荐方法及装置，应用于序列推荐领域，可以提高序列推荐模型的预测准确性。该方法包括：构建初始序列推荐模型，该初始序列推荐模型包括嵌入层模块、去噪处理模块和预测模块；该嵌入层模块用于获取输入的行为序列数据对应的序列矩阵表征，该去噪处理模块用于基于小波变换对该序列矩阵表征进行去噪处理，得到不包含噪声信息的序列向量表征，该预测模块用于确定每个待推荐媒资与该序列向量表征的相似度得分；获取训练样本集，该训练样本集包括多个训练样本，每个训练样本包括该行为序列数据和该目标推荐媒资；基于该训练样本集，对该初始序列推荐模型进行训练，得到训练好的目标序列推荐模型。

技术研发人员：陈将浩
受保护的技术使用者：聚好看科技股份有限公司
技术研发日：
技术公布日：2024/1/15